Banyak orang mengira gelembung AI baru terjadi hari ini.

Sebenarnya, dalam sejarah AI sudah pernah terjadi satu gelombang kegilaan modal yang sangat klasik.
Yaitu gelembung "sistem pakar" (expert system) pada tahun 1980-an.
Latar belakang gelombang AI saat itu adalah, setelah musim dingin AI pertama, industri akhirnya menemukan jalur yang tampaknya bisa dikomersialkan.
Para peneliti AI awal pernah ingin langsung membuat kecerdasan umum, tetapi area seperti terjemahan mesin, penalaran umum, dan robotika tidak mencapai target yang diharapkan, dana dan kepercayaan sempat mendingin dengan cepat.
Maka pada tahun 1980-an, industri AI mengubah pendekatan:
Karena kecerdasan umum terlalu sulit, maka buatlah kecerdasan vertikal terlebih dahulu.
Pengalaman dokter, insinyur, kimiawan, ahli keuangan, dan ahli perbaikan peralatan dipecah menjadi aturan-aturan, lalu dimasukkan ke dalam komputer.
Jika A dan B terjadi bersamaan, maka simpulkan sebagai C.
Jika muncul kombinasi gejala tertentu, maka rekomendasikan diagnosis tertentu.
Jika ada konflik konfigurasi dalam pesanan, maka sistem akan memperbaikinya secara otomatis.
Inilah sistem pakar.
Ini bukan model besar yang dilatih dengan data masif seperti sekarang, melainkan basis pengetahuan yang disusun secara manual, ditambah mesin inferensi.
Pada saat itu, ini benar-benar bukan konsep belaka.
Sistem XCON/R1 dari DEC adalah salah satu contoh komersial paling klasik. Sistem ini membantu DEC mengkonfigurasi pesanan komputer mini yang kompleks secara otomatis, mengurangi kesalahan konfigurasi, meningkatkan efisiensi pengiriman, dan kemudian dianggap sebagai contoh sukses komersialisasi sistem pakar.
Begitu kasus ini muncul, imajinasi pasar tersulut sepenuhnya.
Perusahaan mulai percaya:
Jika sistem pakar bisa menggantikan sebagian penilaian insinyur, apakah ia juga bisa menggantikan penilaian dokter?
Jika ia bisa mengkonfigurasi komputer, apakah ia juga bisa mengkonfigurasi pabrik, mengelola rantai pasok, membuat keputusan keuangan, dan melakukan penalaran hukum?
Maka modal mulai mengalir masuk.
Perusahaan besar mulai mendirikan departemen AI, seperti IBM, DEC, GE, GM, dan lainnya yang berinvestasi dalam sistem pakar.
Perusahaan rintisan juga mulai bermunculan, mengerjakan rekayasa pengetahuan, perangkat lunak sistem pakar, mesin inferensi, dan solusi industri.
Yang lebih menarik, gelembung AI dengan cepat menyebar ke perangkat keras.
Karena pada saat itu banyak perangkat lunak AI menggunakan bahasa Lisp, dan Lisp memiliki persyaratan tinggi terhadap sumber daya komputasi dan lingkungan pengembangan, muncullah sejumlah perusahaan yang khusus membuat mesin Lisp yang dioptimalkan untuk AI.
Perusahaan seperti Symbolics, Lisp Machines Inc., Texas Instruments, dan lainnya berpartisipasi dalam gelombang perangkat keras AI khusus ini.
Ini sangat mirip dengan pantulan sejarah hari ini:
Pada masa itu, sistem pakar mendorong mesin Lisp.
Hari ini, model besar mendorong GPU, HBM, modul optik, switch, pusat data, listrik, dan pendingin cair.
Di setiap gelombang AI, yang pertama kali menghasilkan uang seringkali bukan aplikasi, melainkan penjual sekop.
Namun masalah justru terungkap setelah penerapan skala besar.
Kendala paling inti dari sistem pakar adalah akuisisi pengetahuan.
Pengetahuan ahli yang sebenarnya bukanlah buku petunjuk.
Banyak penilaian berasal dari pengalaman, intuisi, kondisi batas, dan trial and error bertahun-tahun.
Ahli sendiri pun belum tentu bisa mengekspresikan semua pengetahuan tacit dengan jelas.
Bahkan jika diekspresikan, sulit untuk dituliskan secara lengkap menjadi aturan.
Maka perusahaan menemukan bahwa membangun sistem pakar jauh lebih lambat dan jauh lebih mahal dari yang dibayangkan.
Masalah kedua adalah biaya pemeliharaan.
Proses bisnis tidak statis.
Produk berubah, pelanggan berubah, regulasi berubah, rantai pasok berubah, lingkungan pasar berubah.
Setiap kali dunia nyata berubah, basis aturan harus diubah mengikutinya.
Semakin banyak aturan, di dalam sistem juga muncul konflik, kekurangan, dan saling tumpang tindih.
Pada akhirnya, banyak perusahaan tidak membeli mesin penghasil uang otomatis, melainkan labirin aturan yang tidak pernah selesai diperbaiki.
Masalah ketiga adalah kerapuhan.
Sistem pakar dapat bekerja dengan baik dalam cakupan aturan.
Namun begitu menghadapi kondisi batas, informasi yang ambigu, atau informasi tidak lengkap, sistem mudah gagal.
Ia tidak memiliki akal sehat yang sesungguhnya.
Ia tidak belajar secara aktif.
Ia juga sulit memahami perubahan konteks seperti manusia.
Demo bisa sangat mengesankan, tetapi sistem tingkat perusahaan harus menghadapi dunia nyata yang berubah setiap hari.
Inilah celah besar dari laboratorium ke lingkungan produksi.
Masalah keempat adalah runtuhnya ekonomi perangkat keras.
Mesin Lisp awalnya adalah infrastruktur AI.
Namun pada akhir 1980-an, workstation umum dan komputer pribadi menjadi lebih cepat, lebih murah, dan ekosistemnya lebih besar.
Ketika komputer umum yang lebih murah juga bisa menjalankan perangkat lunak terkait, mesin Lisp khusus yang mahal kehilangan justifikasi bisnisnya.
Maka pasar mesin Lisp runtuh dengan cepat.
Rantai perangkat keras terlebih dahulu dihargai ulang, kemudian perusahaan perangkat lunak dan konsultan AI mulai tertekan.
Banyak perusahaan sistem pakar bangkrut, diakuisisi, atau bertransformasi, dan AI kembali menjadi kata yang tidak ingin didengar pasar modal.
Inilah musim dingin AI yang kedua.
Namun ada satu detail yang sangat penting:
Sistem pakar tidak sepenuhnya tidak berguna.
Ia tidak hilang, melainkan diserap ke dalam perangkat lunak perusahaan, mesin aturan, sistem manajemen risiko, sistem manajemen pengetahuan, skrip layanan pelanggan, dan sistem otomatisasi proses.
Teknologi tetap hidup.
Gelembung yang mati.
Inilah yang paling layak direnungkan oleh investor AI saat ini.
Model besar hari ini tentu bukan sistem pakar.
LLM bukan basis aturan manual, ia berasal dari data skala besar, jaringan saraf, Transformer, daya komputasi, dan pembelajaran penguatan.
Kemampuan umum, kemampuan bahasa, kemampuan kode, dan kemampuan multimodalnya jauh melampaui sistem pakar pada zamannya.
Jadi, menyamakan model besar hari ini dengan sistem pakar secara sederhana adalah tidak teliti.
Namun kesamaan sejarah yang sebenarnya bukanlah pada jalur teknis, melainkan pada struktur psikologis pasar modal.
Setiap gelombang AI akan melalui tiga langkah yang mirip:
Langkah pertama, terobosan teknis yang nyata terjadi.
Langkah kedua, modal percaya bahwa ia dapat mengubah semua industri.
Langkah ketiga, perusahaan menemukan bahwa mengubah teknologi menjadi sistem yang stabil, terkendali, dapat diaudit, dan menghasilkan uang, jauh lebih sulit dari yang dibayangkan.
Model besar hari ini juga sedang memasuki langkah ketiga.
Di sisi C (konsumen), ada volume penggunaan, namun pola lalu lintas belum sepenuhnya diubah.
Di sisi B (bisnis), ada proyek percontohan, tetapi banyak yang masih dalam tahap pilot, belum masuk ke sistem produksi skala besar yang sesungguhnya.
Agent sangat menarik, tetapi dalam tugas dengan alur panjang, kesalahan langkah demi langkah akan terus terakumulasi.
Meskipun akurasi per langkah tampak tinggi, selama alurnya cukup panjang, tingkat keberhasilan keseluruhan akan menurun secara signifikan.
Industri seperti manufaktur, keuangan, medis, hukum, dan rantai pasok tidak membutuhkan satu jawaban yang bagus, melainkan keandalan ujung ke ujung, penanganan anomali, kontrol akses, penanggung jawab, catatan audit, dan cadangan manual.
Ini tidak bisa diselesaikan dengan peluncuran model.
Jadi risiko terbesar AI hari ini bukanlah bahwa teknologi tidak bernilai.
Justru sebaliknya, AI sangat bernilai.
Masalah sebenarnya adalah:
Apakah arus kas yang dihasilkan cukup untuk mendukung belanja modal dan valuasi saat ini?
Jika perusahaan menemukan ROI AI masih tidak jelas, anggaran bisa menyusut dengan sangat cepat.
Jika penyedia cloud menemukan bahwa pendapatan inferensi tidak menutupi depresiasi, listrik, dan biaya pusat data, panduan belanja modal bisa diturunkan.
Jika lapisan aplikasi tidak menghasilkan loop pembayaran yang cukup kuat, rantai perangkat keras akan mulai memperdagangkan penurunan ekspektasi permintaan.
Sejarah tidak akan berulang begitu saja.
Namun pasar modal sering menggunakan cara yang sama untuk mendorong terobosan teknis yang nyata ke dalam ekspektasi keuntungan yang terlalu tinggi.
Pelajaran tahun 1980-an bukanlah "AI adalah penipuan".
Pelajaran sesungguhnya adalah:
Revolusi teknologi bisa nyata.
Laju komersialisasi bisa lambat.
Investasi infrastruktur bisa terlalu maju.
Valuasi saham bisa salah.
Keempat hal ini bisa terjadi bersamaan.
Sistem pakar pada akhirnya tidak hilang, tetapi gelembung sistem pakar pecah.
Model besar hari ini kemungkinan besar juga tidak akan hilang.
Pertanyaan sebenarnya adalah:
Dalam pesta infrastruktur AI ini, perusahaan mana yang akan menjadi infrastruktur masa depan, dan perusahaan mana yang hanya menjadi mesin Lisp dari siklus ini?